信息处理课群综合训练与设计-语音信号盲分离参考.doc

目 录 目 录 I 摘 要 II ABSTRACT Ⅲ 1 前 言 1 1.1 盲语音信号分离技术的背景及意义 1 1.2语音噪声特性分析 1 1.2.1 语音的特性 1 1.2.2语音信号的基本特征 2 2 盲信号处理 3 2. 1 盲信号处理的基本概念 3 2.2 盲信号处理的方法和分类 3 2.3 盲信号处理技术的研究应用 4 3 盲源分离法 6 3.1 盲源分离技术 6 3.2 盲分离算法实现 6 3.3 盲源分离技术的研究发展和应用 7 3.4 独立成分分析 8 3.4.1 独立成分分析的定义 10 3.4.2 ICA的基本原理 11 3.4.3 本文对ICA的研究目的及实现 12 4 盲语音信号分离的实现及抑噪分析 13 4.1 盲语音信号分离的实现 13 4.1.1 盲信号分离的三种算法 14 4.1.2 不同算法的分离性能比较 14 4.2 Fastica的算法仿真及结果分析 18 4.2.1 Fastica算法仿真实现 18 4.2.2分离结果分析 23 4.2.2 FastICA算法的分离性能分析 27 5 结 论 29 6 感想与总结 30 7 参考文献 31 附 录 32 摘 要 ABSTRACT Blind separation of speech signal processing’s meaning is using BSS techniques to separate the mixed voice signals recorded in microphone. Separation of mixed speech signals is important for blind separation. The current separation of overlapping speech is built mostly in the absence of aliasing noise in the environment, under the circumstances, mainly in blind source separation (Blind Source Separation, BSS), the statistical characteristics of signal several observations from the unknown signal to recover the independent source components; This article focuses on how to separate the mixed speech signal using FastICA algorithm. We first get two clean speech signals then using a mixed matrix to mix the speech signals to get the mixed signals. And then we use FastICA algorithm to separate the mixed speech signal. Finally, we use the correlation coefficient and the relative error to evaluate the separation effects. The simulation results demonstrate that the separation effects are satisfied. Key Words: Voice signal, voice signal noise, blind source separation, independent component analy1 前 言 1.1 盲语音信号分离技术的背景及意义 近些年来，混合语音信号分离成为信号处理领域的一个研究热点。在信号处理中我们经常遇到这样的问题，如何从一组未知的随机信号经过一组混合系统得到的观测信号种恢复出这些原始信号，如果重构过程中没有混合系统和原始信号的先验知识，我们就称该过程为盲分离。其理论也不断运用到图像、通讯、医学等领域 在语音方面的应用包括有多个人说话构成的声音环境下，从多个话筒接收到的声音信号就是所谓的鸡尾酒会问题，它是指人们在嘈杂环境中或者是在许多人同时说话的情况下有辨识自己感兴趣的声音的能力引起研究者的兴趣。而我们所研究的混合语音信号分离急速虽然不能失信是计算机具有和人类一样的听觉，但 是通过该技术却能使原本相互混叠的语音信号相互剥离，来作为语音识别的预处理，从而使得噪声环境下结合多说话人情形下的